稳定的 Softmax 函数返回错误的输出

【问题标题】：Stable Softmax function returns wrong output稳定的 Softmax 函数返回错误的输出
【发布时间】：2020-08-09 00:46:49
【问题描述】：

我实现了 Softmax 函数，后来发现它必须稳定才能在数值上稳定（duh）。现在，它又不稳定了，因为即使从我的向量中减去 max(x)，给定的向量值仍然太大而不能成为 e 的幂。这是我用来查明错误的代码图片，这里的向量是前向传播的示例输出向量：

我们可以清楚地看到值太大了，而不是概率，我得到了这些非常小的数字，这会导致小错误，从而导致梯度消失，最终导致网络无法学习。

【问题讨论】：

【解决方案1】：

你是完全正确的，只是翻译 softmax 的数学定义可能会使其不稳定，这就是为什么你必须在进行任何计算之前减去 x 的最大值。

您的实现是正确的，消失/爆炸梯度是您可能遇到的独立问题，具体取决于您打算使用哪种神经网络。

【讨论】：

当，我不知道该怎么办。我检查了我的公式和代码很多次，所以我认为它一定是实用的。您是否知道（根据经验）可能是什么？我正在使用 ReLU 顺便说一句
我认为您的代码没有任何问题。你的实现是正确的。您可能想阅读这个 SO 答案：stackoverflow.com/questions/17187507/…。您没有在代码中的任何地方使用 ReLU，ReLU 是一个将 x 映射到 max(0, x) 的函数。